基于CAN數(shù)據(jù)的渣土車駕駛行為分析

李 洋，茍 剛，姚文欽，黃伶俐

(1.貴州大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 公共大數(shù)據(jù)重點(diǎn)實(shí)驗(yàn)室，貴陽 550025；2.花溪區(qū)人民檢察院，貴陽 550025)

0 引言

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展與城鎮(zhèn)化進(jìn)程的加快，城市的發(fā)展離不開城市建設(shè)工程以及汽車工業(yè)的支持。由于人口的發(fā)展，建筑工程會(huì)不斷增加，城市的渣土量會(huì)日益增多，近年來渣土車的數(shù)量也在逐年攀升。在貨運(yùn)行業(yè)中，一直以來，渣土運(yùn)輸行業(yè)普遍存在著一些管理難的現(xiàn)象，使管理者無法有效的管控車輛的運(yùn)行、安全及駕駛員等情況。

2019年9月6日，交通運(yùn)輸部、我國稅務(wù)總局發(fā)布了《網(wǎng)絡(luò)平臺(tái)道路貨物運(yùn)輸經(jīng)營管理暫行辦法》，對(duì)網(wǎng)絡(luò)貨運(yùn)經(jīng)營者的法律定位、行為規(guī)范和對(duì)監(jiān)督管理機(jī)關(guān)的監(jiān)管責(zé)任等提出了明確要求，也為貨運(yùn)行業(yè)規(guī)范健康發(fā)展提供了良好的制度環(huán)境。一輛渣土車[1]在國道上的超限站限重50噸，合法載重34噸左右，在記重收費(fèi)的高速公路上限重45噸，合法載重29噸左右。在渣土車運(yùn)輸?shù)那闆r下，其揚(yáng)塵、遺漏建筑垃圾、駕駛行為不端等不良現(xiàn)象會(huì)給道路交通安全[2]造成一定的威脅。在交通安全中，有以下因素主要影響著道路交通安全：交通參與者、交通量、道路線形、自然環(huán)境等各方面的影響。其中交通參與者對(duì)交通安全的影響程度最大[3]。同時(shí)為了協(xié)助駕駛員增強(qiáng)行車安全意識(shí)，降低安全事故的產(chǎn)生，國內(nèi)外在這一方向的研究者們針對(duì)駕駛行為開展了大量的研究工作，研究發(fā)現(xiàn)，記錄下行車過程中的不良駕駛行為并使駕駛員能夠及時(shí)看見自身駕駛行為的反饋情況，可有效降低駕駛員在駕駛過程中危險(xiǎn)性駕駛行為的出險(xiǎn)概率。

廖向陽[4]等人通過OBD接口來接入車輛的CAN(CAN，controller area network)總線，通過收集和分析CAN總線報(bào)文，得到了車輛正常行駛時(shí)的十二個(gè)主要運(yùn)行特征參數(shù)及具體數(shù)據(jù)。從而實(shí)現(xiàn)了對(duì)車輛運(yùn)行狀況的數(shù)據(jù)化、可視化展示以及對(duì)異常工作情況的及時(shí)預(yù)警。許靜雯[5]等人通過因子分析提取與駕駛員行為相關(guān)的特征參數(shù)，來篩選特定的車輛樣本，通過聚類來對(duì)車輛駕駛行為危險(xiǎn)程度進(jìn)行分級(jí)，探究高速公路上重點(diǎn)營運(yùn)車輛的駕駛行為規(guī)律，以便及時(shí)確定駕駛行為具有危險(xiǎn)性的車輛。高宇[6]等人通過對(duì)車輛上某保險(xiǎn)公司外接的北斗系統(tǒng)內(nèi)的車輛數(shù)據(jù)進(jìn)行分析，來分析車主的駕駛行為和駕駛習(xí)慣，并分析其對(duì)出險(xiǎn)概率的影響，以此降低電力行業(yè)工程車的出險(xiǎn)概率，提高車輛的利用效率。U.Fugiglando[7]等人利用無監(jiān)督學(xué)習(xí)，將不同群體的司機(jī)聚集在一起，運(yùn)用一種驗(yàn)證方法來檢測(cè)實(shí)驗(yàn)中測(cè)試聚類的穩(wěn)健性，同時(shí)還提出了一種利用選定的 CAN 總線信號(hào)子集對(duì)駕駛員行為進(jìn)行分析和分類的新方法。S.Arumugam[8]等人通過對(duì)管理駕駛方式模型的類別來進(jìn)行詳細(xì)調(diào)查，提出一種解決方案，通過考慮駕駛員的行為和情緒因素來發(fā)現(xiàn)侵略性駕駛和路怒事件所帶來的風(fēng)險(xiǎn)，有助于保險(xiǎn)行業(yè)更準(zhǔn)確地評(píng)估駕駛風(fēng)險(xiǎn)。

研究通過對(duì)急加速、急減速、超速、平均速度、發(fā)動(dòng)機(jī)平均燃油率等九種駕駛員駕駛行為數(shù)據(jù)進(jìn)行分析、檢測(cè)其個(gè)人駕駛傾向[9]以及對(duì)其進(jìn)行駕駛行為進(jìn)行評(píng)分[10]，以達(dá)到提高渣土車駕駛員的駕駛素質(zhì)、規(guī)范其日常駕駛行為和行車安全意識(shí)，減少安全事故發(fā)生的目的。

1 數(shù)據(jù)處理

1.1 數(shù)據(jù)來源

在數(shù)據(jù)來源方面主要分為兩部分，一部分為CAN總線數(shù)據(jù)，來自汽車生產(chǎn)商在生產(chǎn)渣土車輛時(shí)自主安裝的CAN總線，這一安裝是為了便于后期車輛在使用時(shí)能向上級(jí)平臺(tái)傳輸CAN總線數(shù)據(jù)，其相對(duì)于使用車輛的OBD接口外接其他設(shè)備而言沒有更多的外加電路，更具安全性。一部分為車輛的北斗衛(wèi)星定位數(shù)據(jù)[11]，這一數(shù)據(jù)由北斗數(shù)據(jù)運(yùn)營商提供。這兩部分?jǐn)?shù)據(jù)的結(jié)合能更好的對(duì)渣土車駕駛員的駕駛行為進(jìn)行分析。通過實(shí)際考察某公司70位渣土車駕駛員在3個(gè)月中的CAN總線數(shù)據(jù)和北斗定位數(shù)據(jù)，其中車輛在啟動(dòng)時(shí)將以3秒每次的速率發(fā)送數(shù)據(jù)，最終共接收CAN數(shù)據(jù)3 633 874條，接收北斗定位數(shù)據(jù)3 424 516條。

1.2 數(shù)據(jù)解析

渣土車輛北斗定位數(shù)據(jù)電報(bào)的內(nèi)容包含：時(shí)間、經(jīng)度、緯度、當(dāng)前時(shí)速、方向以及海拔等。在后續(xù)工作中，根據(jù)報(bào)文格式與數(shù)據(jù)位長度，使用字符串截取函數(shù)對(duì)報(bào)文進(jìn)行截取，然后將其從16進(jìn)制轉(zhuǎn)換為10進(jìn)制，以供研究其它部分使用。其短報(bào)文通信定義來自于：《JT/T808-2011道路運(yùn)輸車輛衛(wèi)星定位系統(tǒng)終端通訊協(xié)議及數(shù)據(jù)格式》，其北斗定位數(shù)據(jù)解析信息如表1所示，數(shù)據(jù)組列表中由數(shù)據(jù)塊信息組成，CAN數(shù)據(jù)解析上傳的部分?jǐn)?shù)據(jù)塊含義如表2所示。

表1 北斗定位數(shù)據(jù)解析信息

表2 CAN數(shù)據(jù)部分?jǐn)?shù)據(jù)塊信息

CAN數(shù)據(jù)解析首先需判別此段信息的自定義通訊協(xié)議的數(shù)據(jù)傳輸方式，再獲取消息體ID、消息體、消息體屬性、消息流水號(hào)等信息，若自定義消息體ID為0706，則此信息為車速、開關(guān)、油耗等信息，需獲取塊ID與塊個(gè)數(shù)，根據(jù)塊ID來區(qū)分塊的類別，也就是消息屬于開關(guān)量還是數(shù)字量。開關(guān)量數(shù)據(jù)需根據(jù)塊個(gè)數(shù)來切分塊列表的信息長度，以此獲取到偏移時(shí)間與數(shù)據(jù)項(xiàng)列表，通過解析數(shù)據(jù)項(xiàng)列表來得到需要的信息；數(shù)字量數(shù)據(jù)則需根據(jù)塊ID與數(shù)據(jù)項(xiàng)位圖確定數(shù)據(jù)塊長度，然后調(diào)用相應(yīng)方法來解析數(shù)據(jù)塊列表信息。

若自定義消息體ID為0785，則此信息為超速行駛、空擋滑行、急轉(zhuǎn)彎等行為信息。根據(jù)自定義消息體中數(shù)據(jù)ID的信息來判別當(dāng)前的異常行為是什么狀態(tài)，進(jìn)而在解析其當(dāng)前狀態(tài)的位置與開始結(jié)束時(shí)間后，存入數(shù)據(jù)庫。

若自定義消息體ID為0200，則此信息為車輛位置數(shù)據(jù)。同樣可獲取到消息體ID、消息體、消息體屬性、消息流水號(hào)等信息。還可獲取到8位的16進(jìn)制報(bào)警標(biāo)識(shí)與狀態(tài)標(biāo)識(shí)，以及經(jīng)緯度、速度、方向、海拔高度等信息。此時(shí)需要對(duì)報(bào)警標(biāo)志位進(jìn)行設(shè)定相應(yīng)內(nèi)容，拆分消息體報(bào)警標(biāo)志，存入char[]類型的warningMarkChar中，通過循環(huán)來獲取相應(yīng)的報(bào)警標(biāo)志位，并對(duì)應(yīng)標(biāo)志位內(nèi)容進(jìn)行解析。

2 駕駛行為傾向性分析

駕駛行為分析模塊包含了周行駛里程統(tǒng)計(jì)、周行駛速度統(tǒng)計(jì)、駕駛員評(píng)分、駕駛員傾向性判別。駕駛行為分析主要分析駕駛員在駕駛過程中車輛的CAN總線數(shù)據(jù)與北斗數(shù)據(jù)，以此來實(shí)現(xiàn)對(duì)駕駛員的駕駛行為傾向性判別與駕駛員評(píng)分等功能。其中駕駛員的駕駛行為傾向性判別是在利用車輛行駛中駕駛員的定位數(shù)據(jù)、超速次數(shù)、平均速度、發(fā)動(dòng)機(jī)平均油耗率、疲勞駕駛次數(shù)等數(shù)據(jù)的基礎(chǔ)上，使用K-means聚類算法對(duì)渣土車駕駛員的駕駛傾向性進(jìn)行判別。其中駕駛員評(píng)分功能需先使用熵權(quán)層次分析法來構(gòu)建駕駛行為評(píng)分模型，再確定模型中每個(gè)指標(biāo)的權(quán)重，以此分析每個(gè)指標(biāo)的分值，最后結(jié)合實(shí)際來對(duì)渣土車駕駛員進(jìn)行綜合評(píng)分。

2.1 K-means聚類算法

聚類分析即根據(jù)數(shù)據(jù)中描述對(duì)象與其關(guān)系的信息，將數(shù)據(jù)對(duì)象進(jìn)行分組。目的是，組內(nèi)的對(duì)象相互之間是相關(guān)的，而不同組中的對(duì)象是不相關(guān)的。相關(guān)性越大，組間差距越大，表明聚類效果越好。聚類分析也是數(shù)據(jù)挖掘的重要手段，它也稱為群分析，是研究分類問題的一種統(tǒng)計(jì)分析方法。

K-means(K-means clustering algorithm)聚類算法[12]是在聚類分析中一個(gè)常用的算法，亦為K-均值聚類，是一種由Macqueen在1967年提出的無監(jiān)督學(xué)習(xí)算法，它也是一種簡單的迭代性聚類算法，使用距離作為它的相似性指標(biāo)。所謂無監(jiān)督學(xué)習(xí)是指無需知道所要尋找的目標(biāo)，直接通過算法得到數(shù)據(jù)的共同特征。K-means算法需指定數(shù)據(jù)集中的K值，也就是使數(shù)據(jù)最終分為幾個(gè)簇(類)，迭代時(shí)需要使用的每個(gè)類的中心也為質(zhì)心，它是根據(jù)類中所有值各維度取平均值得到的。其目的是讓每個(gè)樣本到每個(gè)簇中心點(diǎn)的距離越小越好，也就是通過連續(xù)迭代的方式將m個(gè)樣本點(diǎn)劃分為K個(gè)簇，使得相似的樣本被盡可能的分到同一個(gè)簇中。該算法具備原理簡單、容易理解、速度快等優(yōu)勢(shì)，可處理數(shù)值、文本、圖像等數(shù)據(jù)，但得事先得確定K值的選取。其具體步驟如下：

1)數(shù)據(jù)集D中有m個(gè)樣本點(diǎn)，首先指定需要?jiǎng)澐值拇財(cái)?shù)k，并隨機(jī)初始化其各自的質(zhì)心(μ1，μ2，μ3，…，μk∈R)。

(1)

3)次計(jì)算每個(gè)簇的中心點(diǎn)作為新的質(zhì)心。

(2)

4)算數(shù)據(jù)集D中m個(gè)樣本點(diǎn)的誤差平方和Ei，如果|Ei+1-Ei|<δ則表明質(zhì)心位置變化不大，算法停止，否則返回步驟2再次進(jìn)行迭代。

(3)

2.2 基于K-means的駕駛傾向性識(shí)別

基于CAN數(shù)據(jù)的解析結(jié)果，獲取駕駛傾向性分類中所需的特征參數(shù)[13]，具體包含平均車速、超速次數(shù)、行駛里程、急加速、急剎車、發(fā)動(dòng)機(jī)轉(zhuǎn)速、超速次數(shù)、行駛里程、駕駛時(shí)長等特征，每車3秒會(huì)發(fā)送一次數(shù)據(jù)，將70輛車每天的數(shù)據(jù)量進(jìn)行整合，成為駕駛員當(dāng)天的數(shù)據(jù)總和，具體的特征參數(shù)如表3所示。

表3 部分樣本數(shù)據(jù)

進(jìn)行K-Means聚類后，把駕駛員的駕駛行為分成穩(wěn)健型、一般型、激進(jìn)型3種，經(jīng)過K-meams聚類后，對(duì)急加速次數(shù)、急剎車次數(shù)、超速次數(shù)等特征數(shù)值較大的數(shù)據(jù)對(duì)象，可以推測(cè)這一類型為激進(jìn)型駕駛員；同理，對(duì)于急加速次數(shù)、急剎車次數(shù)、超速次數(shù)、平均車速較低的數(shù)據(jù)對(duì)象，可推測(cè)這一類為穩(wěn)健型駕駛員；剩下的數(shù)據(jù)介于二者之中的為一般型。不同駕駛員不同日期的樣本有2514條，其中共有分類類別為“0”的一般型駕駛員的標(biāo)簽1176條，共有分類類別為“1”的激進(jìn)型駕駛員的標(biāo)簽867條，共有分類類別為“2”穩(wěn)健型駕駛員的標(biāo)簽471條。其統(tǒng)計(jì)結(jié)果如圖1所示，可知，一般型的駕駛員占比達(dá)到47%，穩(wěn)健性的駕駛員占比19%，激進(jìn)型的駕駛員占比高達(dá)到34%，本研究對(duì)改善駕駛員行為具有重大意義。

圖1 駕駛行為傾向性聚類分布圖

3 評(píng)分模型構(gòu)建

3.1 熵權(quán)法

熵是一種熱力學(xué)的概念，是用于衡量體系的無序與混亂程度的，熵越大，表明事務(wù)越混亂，它廣泛應(yīng)用與工程技術(shù)、社會(huì)經(jīng)濟(jì)等領(lǐng)域[14]。信息熵這一概念最先由信息奠基人香農(nóng)(Shannon)引入的，他把信源所含有的信息量稱為信息熵。熵權(quán)法是計(jì)算權(quán)重指標(biāo)的經(jīng)典算法之一，是用來判斷某個(gè)指標(biāo)的離散(混亂)程度的，它通過指標(biāo)的變異性大小來判斷客觀權(quán)重，即信息熵越小，離散程度越大，信息量越大，標(biāo)對(duì)綜合評(píng)價(jià)的影響(權(quán)重)也就越大，反之亦然[15]。熵權(quán)法的客觀性與適應(yīng)性較強(qiáng)，精度高，能夠很好的分析權(quán)重結(jié)果。因此，可以使用計(jì)算熵值來確定某一事件的隨機(jī)性和無序程度，也可以通過它判斷某些指標(biāo)的離散程度，熵權(quán)法的賦權(quán)具體步驟如下：

1)數(shù)據(jù)歸一化，由于各指標(biāo)的計(jì)量單位不同，因此在計(jì)算權(quán)重時(shí)需要對(duì)它們進(jìn)行歸一化處理，使數(shù)值在0-1之間浮動(dòng)。如給定了n個(gè)指標(biāo)X1，X2，X3，…，Xn，轉(zhuǎn)化后的指標(biāo)值為：Y1，Y2，Y3，…，Yn，則：

(4)

2)計(jì)算指標(biāo)的比重Pij，其中i為行，j為列。

(5)

(6)

4)計(jì)算信息熵冗余度d。

dj=1-ej

(7)

5)計(jì)算各項(xiàng)指標(biāo)權(quán)重

(8)

3.2 層次分析法

層次分析法AHP(analytic hierarchy process)是美籍運(yùn)籌學(xué)家薩蒂在20世紀(jì)70年代初期根據(jù)網(wǎng)絡(luò)系統(tǒng)理論和多目標(biāo)綜合評(píng)價(jià)方法而提出的一種層次權(quán)重決策分析方法[16]。它是利用多因素分析方法來判斷指標(biāo)權(quán)重的一種主觀賦權(quán)方式，能夠?qū)Χ嗄繕?biāo)決策問題進(jìn)行靈活處理。所確定的指標(biāo)權(quán)重相對(duì)合理，所以在各個(gè)領(lǐng)域都得以廣泛的運(yùn)用。但層次分析法對(duì)定量因素的運(yùn)用還有不足，其判斷矩陣大多依賴決策者經(jīng)驗(yàn)判斷，主觀因素往往對(duì)權(quán)重計(jì)算的結(jié)果產(chǎn)生了較大的影響。它的基本思想是把所有需要加以分析的問題層次化處理，按照問題的基本特性及其最后要達(dá)到的目標(biāo)，來把問題劃分為不同的構(gòu)成因素。層次分析法的具體步驟如下：

1)建立層次結(jié)構(gòu)，要把決策的目標(biāo)、對(duì)象和影響因素按照它們之間的關(guān)系分為目標(biāo)層、指標(biāo)層、方案層。目標(biāo)層為決策的目的，指標(biāo)層為需要考慮的因素，方案層為決策的方案，設(shè)評(píng)分模型有m個(gè)標(biāo)準(zhǔn)層、n個(gè)指標(biāo)層、指標(biāo)內(nèi)對(duì)應(yīng)n1，n2，…，nk個(gè)指標(biāo)。

2)構(gòu)建判斷矩陣。這里使用了一致矩陣法，即將所有因素兩兩相互比較，盡可能減少性質(zhì)不同的因素相互比較的困難，以此增加準(zhǔn)確度。判斷矩陣Aij的標(biāo)度方法見表4所示。

3)計(jì)算各層要素對(duì)應(yīng)權(quán)重。這里采用算數(shù)平均法計(jì)算權(quán)重，先求出判斷矩陣A每列的和，之后再進(jìn)行按列歸一化(計(jì)算該值所占該列比例)得矩陣B，最終對(duì)每行求算數(shù)平均值得到每行的權(quán)重Wi(i=1，2，3，…，n)。

(9)

表4 判斷矩陣標(biāo)度

4)進(jìn)行一致性檢驗(yàn)。計(jì)算判斷矩陣A的最大特征值λmax與一致性指標(biāo)CI，其中n為指標(biāo)層個(gè)數(shù)。CI越大，不一致越嚴(yán)重，當(dāng)CI越接近0，表示有越滿意的一致性。

(10)

(11)

5)定義一致性比率CR。為了衡量CI的大小，引入隨機(jī)一致性指標(biāo)RI，其值如表5所示。當(dāng)CR<0.1時(shí)，認(rèn)為構(gòu)建的判斷矩陣通過一致性檢驗(yàn)，構(gòu)造合理，可用其權(quán)重Wi。

(12)

表5 隨機(jī)一致性指標(biāo)RI值

3.3 評(píng)分模型指標(biāo)體系構(gòu)建

熵權(quán)法為客觀賦權(quán)法，層次分析法為主觀賦權(quán)法，主觀賦權(quán)法通常是由專家依據(jù)自身的知識(shí)經(jīng)驗(yàn)和問題實(shí)際狀況確定權(quán)重，主觀性較強(qiáng)?？陀^賦權(quán)法是通過與原始數(shù)據(jù)之間的關(guān)聯(lián)來判斷權(quán)重，客觀性較強(qiáng)。為此結(jié)合兩種方法使用熵權(quán)層次分析法來實(shí)現(xiàn)駕駛行為評(píng)分模型的構(gòu)建，使用熵權(quán)法來削弱層次分析法主觀性的影響，同時(shí)平衡了熵權(quán)法結(jié)果的突出與局部差異[17]。熵權(quán)層次分析法的主要方法為：首先使用熵權(quán)法與層次分析法分別得出各自權(quán)重，然后把兩種方法計(jì)算的權(quán)重通過組合賦權(quán)法[18]來加以綜合，從而得出綜合權(quán)重Wj，其中Wjs為通過熵權(quán)法計(jì)算的權(quán)重，而Wjc則為通過層次分析法計(jì)算的權(quán)重。

(13)

根據(jù)解析的數(shù)據(jù)，統(tǒng)計(jì)出車輛超速、疲勞駕駛、急剎車、急加速等次數(shù)。根據(jù)熵權(quán)層次分析法將車輛行駛情況、出行情況、駕駛行為表現(xiàn)、發(fā)動(dòng)機(jī)情況列為標(biāo)準(zhǔn)層即一級(jí)指標(biāo)；將平均車速、超速次數(shù)、每日里程、每日駕駛總時(shí)長、急加速次數(shù)、急剎車次數(shù)、駕駛疲勞次數(shù)、每日發(fā)動(dòng)機(jī)平均油耗率、每日發(fā)動(dòng)機(jī)平均轉(zhuǎn)速這9個(gè)因素列為指標(biāo)層即二級(jí)指標(biāo)，具體信息如表6所示。

表6 駕駛行為指標(biāo)分層

3.4 評(píng)分模型指標(biāo)權(quán)重

結(jié)合文獻(xiàn)[19-20]中的駕駛行為調(diào)查結(jié)果和專家建議來對(duì)各項(xiàng)指標(biāo)進(jìn)行評(píng)定，得出了駕駛行為的評(píng)分模型判斷矩陣，具體見表7。通過駕駛行為評(píng)分模型判斷矩陣中構(gòu)建的值，通過使用式(9)～ (12)來進(jìn)行一致性檢驗(yàn)，經(jīng)過運(yùn)算后得出，標(biāo)準(zhǔn)層的一致性比率CR的數(shù)值為：0.003 9，其值小于0.1，即建立的判斷矩陣通過了一致性檢驗(yàn)，其構(gòu)造合理。同理，指標(biāo)層也依次進(jìn)行一致性檢驗(yàn)，結(jié)果構(gòu)造合理。

表7 駕駛行為評(píng)分模型判斷矩陣

通過使用式(4)～(8)來計(jì)算熵權(quán)法中標(biāo)準(zhǔn)層與指標(biāo)層權(quán)重；再根據(jù)判斷矩陣的值，使用式(9)來分別計(jì)算得出層次分析法中標(biāo)準(zhǔn)層與指標(biāo)層權(quán)重。最終通過式(13)使用熵權(quán)層次分析法來將權(quán)重加以綜合，得出熵權(quán)層次分析法指標(biāo)層的權(quán)重Wj，最終結(jié)果如表8所示。

表8 3種方法下的權(quán)重對(duì)比

由表8中的數(shù)據(jù)可知熵權(quán)法、層次分析法和熵權(quán)層次分析法這3種權(quán)重計(jì)算方法對(duì)于駕駛行為評(píng)分模型的權(quán)重計(jì)算值，其中熵權(quán)法計(jì)算的各項(xiàng)標(biāo)準(zhǔn)層指標(biāo)權(quán)重為：0.04、0.13、0.64、0.19。層次分析法中的標(biāo)準(zhǔn)層權(quán)重分別為0.23、0.23、0.42、0.12。其中，熵權(quán)法中權(quán)重的結(jié)果值，體現(xiàn)了數(shù)據(jù)在局部特征之間的不同情況，它削弱了指標(biāo)之間重要程度對(duì)最終結(jié)果的影響，但對(duì)于層次分析法來說，它所計(jì)算的權(quán)重結(jié)果值和判斷矩陣的參數(shù)設(shè)置有很大關(guān)系，決策者對(duì)指標(biāo)重要程度的知識(shí)經(jīng)驗(yàn)對(duì)最后權(quán)重的結(jié)果值影響比較大，而熵權(quán)層次分析法則融合了熵權(quán)法和層次分析法，最終的權(quán)重值也融合了兩者的權(quán)重，可以更好的體現(xiàn)各個(gè)指標(biāo)對(duì)于駕駛行為的影響。

對(duì)上表權(quán)重的計(jì)算結(jié)果進(jìn)行分析后，將采用熵權(quán)層次分析法計(jì)算出來的權(quán)重作為駕駛行為評(píng)分模型的指標(biāo)分?jǐn)?shù)，其中駕駛行為評(píng)分采用一百分制，按照不同指標(biāo)的權(quán)重值來確定相應(yīng)的指標(biāo)分?jǐn)?shù)，具體指標(biāo)分?jǐn)?shù)見表9所示。

表9 駕駛行為指標(biāo)分?jǐn)?shù)

3.5 駕駛行為綜合評(píng)分

在確定了各個(gè)指標(biāo)的分值后，還需要根據(jù)實(shí)際情況制定詳細(xì)的評(píng)分標(biāo)準(zhǔn)。研究結(jié)合了文獻(xiàn)[21]與車輛保險(xiǎn)行業(yè)車聯(lián)網(wǎng)解決方案白皮書以及根據(jù)現(xiàn)有數(shù)據(jù)的實(shí)際分布情況，采用了如表9所示的駕駛行為評(píng)分指標(biāo)分?jǐn)?shù)，制定了如表10所示的具體評(píng)分細(xì)則。其中a為指標(biāo)所占分值，S為該指標(biāo)實(shí)際的最終分值，x為指標(biāo)實(shí)際值。

表10 駕駛行為評(píng)分細(xì)則

將通過駕駛行為傾向性識(shí)別后的70輛車在不同日期下產(chǎn)生的2 514條數(shù)據(jù)樣本，按照傾向性識(shí)別類型：一般型、穩(wěn)健型、激進(jìn)型分類，再進(jìn)行駕駛行為評(píng)分，得到如圖2～4所示的不同傾向駕駛員的分值分布。

圖2 一般型駕駛員分值分布情況

圖3 穩(wěn)健型駕駛員分值分布情況

圖4 激進(jìn)型駕駛員分值分布情況

由圖2、圖3、圖4所示，激進(jìn)型駕駛員的分值分布在60～75分之間的次數(shù)比較多；穩(wěn)健型駕駛員的分值分布在85～100分之間的次數(shù)比較多，而一般型駕駛員的分值主要分布在65～95分之間，由此，研究所構(gòu)建的駕駛評(píng)分模型具有合理性，可以為管理者和駕駛員提供駕駛行為信息，為后續(xù)駕駛員的行車操作做出警示，對(duì)于分值較高的駕駛員需要繼續(xù)保持，對(duì)于分值較低的駕駛員需要加以改善。

4 結(jié)束語

研究分析了基于CAN數(shù)據(jù)的渣土車駕駛行為。首先，介紹了CAN數(shù)據(jù)的解析方案，進(jìn)而獲取到了數(shù)據(jù)，對(duì)CAN數(shù)據(jù)與北斗定位數(shù)據(jù)進(jìn)行處理分析；其次，采用聚類的K-Means算法對(duì)渣土車司機(jī)的駕駛行為傾向性進(jìn)行分析；隨后介紹了熵權(quán)法與層次分析法，在計(jì)算出二者在指標(biāo)層上的權(quán)重后利用熵權(quán)層次分析法集成權(quán)重；最后通過文獻(xiàn)結(jié)合實(shí)際情況的方式制定評(píng)分細(xì)則，計(jì)算得出渣土車駕駛員的評(píng)分，以便幫助駕駛員更有針對(duì)性的改善其駕駛行為。通過實(shí)驗(yàn)表明，改進(jìn)方法能夠滿足用戶的需求，有利于管理員管理的同時(shí)提升駕駛員安全行車水平，能有效提升駕駛員的安全。